論文の概要: Topology-Aware Gaussian Graph Repair for Robust Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.03462v1
• Date: Tue, 02 Jun 2026 10:39:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.943082
• Title: Topology-Aware Gaussian Graph Repair for Robust Graph Neural Networks
• Title（参考訳）: ロバストグラフニューラルネットワークのトポロジーを考慮したガウスグラフ修復
• Authors: Anubha Goel, Juho Kanniainen,
• Abstract要約: Topology-Aware Gaussian repair (TAGR)は、グラフニューラルネットワークにおける堅牢なメッセージパッシングのための単純なグラフ修復フレームワークである。 TAGRは、ノイズエッジと欠損エッジの両方の設定下で、グラフニューラルネットワークの堅牢性を改善する。
• 参考スコア（独自算出の注目度）: 1.652121135969053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks have achieved strong performance on graph-structured data, but their effectiveness depends heavily on the quality of the observed graph. In real applications, graph topology is often imperfect: noisy edges may connect unrelated nodes, while missing edges may prevent useful information from being propagated. Existing robust graph learning methods mainly address this problem by removing suspicious edges or by learning a new graph structure during training. However, edge removal alone cannot recover missing connections, and graph structure learning may introduce additional optimization complexity. In this paper, we propose Topology-Aware Gaussian Repair (TAGR), a simple graph repair framework for robust message passing in graph neural networks. Instead of learning a dense adjacency matrix, TAGR constructs a sparse feature-neighborhood graph using an adaptive Gaussian kernel and combines it with a topology-aware residual correction of the observed graph. The Gaussian repair component introduces auxiliary edges between feature-similar nodes, while the residual correction preserves and reweights the original topology according to local feature and structural consistency. The repaired graph can be used directly with standard graph neural networks without changing their architectures. Extensive experiments on benchmark citation networks show that TAGR improves the robustness of GNNs under both noisy-edge and missing-edge settings. The analysis further show that Gaussian feature-neighborhood repair provides the main robustness gain, while topology-aware residual correction improves stability when the observed graph is incomplete. These results suggest that effective graph robustness can be achieved through lightweight sparse graph repair rather than dense graph structure learning.
• Abstract（参考訳）: グラフニューラルネットワークは、グラフ構造化データに対して高いパフォーマンスを達成しているが、その有効性は、観測されたグラフの品質に大きく依存している。 ノイズの多いエッジは無関係なノードを接続するが、欠損したエッジは有用な情報が伝播することを防ぐ。 既存の頑健なグラフ学習法は主に、疑わしいエッジを除去したり、トレーニング中に新しいグラフ構造を学習することでこの問題に対処する。 しかし、エッジ除去だけでは接続の欠如を回復することができず、グラフ構造学習はさらなる最適化の複雑さをもたらす可能性がある。 本稿では,グラフニューラルネットワークにおけるロバストメッセージパッシングのための単純なグラフ修復フレームワークであるTopology-Aware Gaussian repair (TAGR)を提案する。 密接な隣接行列を学ぶ代わりに、TAGRは適応ガウス核を用いてスパース特徴近傍グラフを構築し、それを観測されたグラフの位相認識残差補正と組み合わせる。 ガウス修理成分は特徴相似ノード間の補助エッジを導入し、残留補正は局所的特徴と構造的整合性に応じて元のトポロジーを保存および再重み付けする。 修復されたグラフは、アーキテクチャを変更することなく、標準的なグラフニューラルネットワークで直接使用することができる。 ベンチマーク励振ネットワークの大規模な実験により、TAGRはノイズエッジと欠落エッジの両方でGNNの堅牢性を改善することが示された。 解析により,ガウス特徴近傍の補修が主な強靭性向上を与える一方で,トポロジを意識した残差補正は観測されたグラフが不完全であるときに安定性を向上することが示された。 これらの結果から,高密度グラフ構造学習よりも軽量なスパースグラフ修復により,効率的なグラフ頑健性を達成できることが示唆された。

関連論文リスト

• Semi-Supervised Learning on Graphs using Graph Neural Networks [7.3886152750469]
  グラフニューラルネットワーク(GNN)は、半教師付きノード回帰において極めてうまく機能する。 本稿では,複数の共通メッセージパッシングアーキテクチャを含むアグリゲート・アンド・リードアウトモデルについて検討する。 我々は、誤差近似、収束、最適化を分離する急激な非漸近的リスク境界を証明した。
  論文  参考訳（メタデータ） (2026-02-19T06:25:13Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• Greener GRASS: Enhancing GNNs with Encoding, Rewiring, and Attention [12.409982249220812]
  本稿では,新しいGNNアーキテクチャであるGraph Attention with Structures (GRASS)を紹介する。 GRASSはランダムな正規グラフを重畳して入力グラフをリワイヤし、長距離情報伝搬を実現する。 また、グラフ構造化データに適した新しい付加的注意機構も採用している。
  論文  参考訳（メタデータ） (2024-07-08T06:21:56Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
  グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。 本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。 提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-21T07:58:03Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。